CC BY
99
УДК 588.85
A.В. Евтюшкин,
B.М. Брыксин, Н.В. Рычкова
ОЦЕНКА СОСТОЯНИЯ РАСТИТЕЛЬНЫХ ПОКРОВОВ ПО ДАННЫМ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ И ПОДСПУТНИКОВЫХ ЭКСПЕРИМЕНТОВ
Ключевые слова: дистанционное зондирование, космические снимки, подспутниковые эксперименты, математическое моделирование, урожайность, листовой индекс, вегетационный индекс, биомасса, яровая пшеница, каталог, поисковая система, спектрофотометр.
Задачей использования данных дистанционного зондирования (ДЗЗ) является сбор информации о состоянии сельскохозяйственных угодий, что позволяет получать оперативную и полную информацию о состоянии культур регулярно в течение всего периода вегетации растений как в масштабах субъектов РФ, так и в разрезе отдельных хозяйств. Для повышения точности необходимо синхронно со съемками со спутников проводить на тестовых участках наземные измерения биометрических параметров зерновых культур, таких как высота, биомасса зеленая и сухая, листовой индекс. Также актуальным является вопрос применения данных ДЗЗ для мониторинга состояния культур во времени и коррекции имитационной модели биопродуктивности EPIC [1].
Тестирование модели биопродуктивности. Полевые измерения спектральных и биометрических характеристик посевов яровой пшеницы проводились на тестовых полях Ключевского района Алтайского края [2]. Еженедельно производились измерения листового индекса с помощью
прибора LAI-2000 на уровне грунта и спектрального коэффициента отражения в 16 каналах мультиспектральным радиометром MSR-16 с высоты 2,1 м. После измерений пшеница срезалась с площадки размером 1*1 м и определялись средняя высота растений, сырая и сухая биомасса. Время полевых измерений согласовывалось с пролетом спутников Ресурс-01 и TERRA над заданной территорией. Метеоданные поступали с метеостанции Campbell CM6, установленной в 10 км от тестовых полей Кулундинской опытной станции РАСХН. Автоматически с интервалом осреднения 15 мин. выполнялись измерения температуры воздуха и почвы, осадков, влажности воздуха и почвы, скорости ветра, солнечной радиации.
На модельной делянке посевов яровой пшеницы, расположенной рядом с метеостанцией CM6, проводились 14-часовые измерения потока фотосинтетически активной солнечной радиации прибором LI-191SA с интервалом интегрирования 1 мин. синхронно с измерениями спектральных коэффициентов яркости радиометром MSR-16 с интервалом измерений от 15 до 60 с. Спектрофотометр имеет 16 каналов в диапазоне от 0,46 до 1,65 мкм с шириной каналов от 6,7 до 230 нм. Также выполнялись измерения пиранометром LI-200SZ с интервалом осреднения 15 мин. [3].
На рисунке 1 приведен пример расчета основных биометрических параметров пшеницы на основе модели EPIC для тестового поля. На графике также нанесены полевые измерения сухой биомассы надземной части и регрессионная оценка по данным сканера МСУ-СК, установленного на спутнике Ресурс-01. Модельная урожайность в течение 1998-2002 гг. на полях, находящихся в радиусе до 20 км от метеостанции СМ6, совпадала с реальной с точностью 2 ц/га. Вариации урожайности существенно зависят от сроков сева и выпадения локальных осадков над отдельными полями.
Также проведено моделирование урожайности для 20 районов Алтайского края по метеоданным за 1994-1998 гг., измеренных на метеостанциях Росгидромета. После проведения моделирования с коррекцией листового индекса по данным сканера МСУ-СК коэффициент корреляции возрастает с 0.7 до 0.85, а отклонение уменьшается с 1,65 до 1,3 ц/га (рис. 2). Таким образом, использование ДЗЗ повышает точность прогноза урожайности зерновых.
На основе метеоданных и данных о фактической урожайности за 1985-2005 гг., предоставленных ЗапСИБРЦПОД в рамках научного сотрудничества, были проведены корректировка и настройка модели биопродуктивности EPIC для Новосибирской области и Алтайского края. Поскольку в Западной Сибири имеется недостаточная густота сети метеостанций, в модели EPIC проводилась коррекция листового индекса с использованием зависимости LAI от NDVI по данным сканера
TERRA/MODIS [4]. Также установлено, что колебания в расчетных значениях биологической урожайности яровой пшеницы становятся минимальными в конце июля. Это подтверждает возможность прогноза урожайности яровой пшеницы на юге Западной Сибири за месяц до начала уборки с использованием модифицированной модели EPIC.
Подспутниковые измерения. На рисунке 3 представлены измеренные на трех площадках средняя высота растений (Н), сырая (Md) и сухая (Mw) биомассы. На рисунке 4 представлены измеренные значения листового индекса (LAI) и рассчитанные по измерениям MSR-16 значения нормализованного вегетационного индекса (NDVI). Листовой индекс является безразмерной величиной и определяется как отношение суммарной площади листьев растений к площади почвы, на которой растут растения. Из рисунка 3 следует, что наблюдается резкое возрастание листового индекса до начала июля, а затем плавный спад до конца июля. Это связано с биологической особенностью пшеницы, произрастающей в сухостепной зоне. При образовании колоса вся биомасса начинает скапливаться в зерне и на листья уходит меньше энергии.
Для исключения влияния неоднородно-стей распределения посевов, связанных со структурой почвенных выделов и микрорельефа, для планирования расположения тестовых площадок на пропашных полях использовались космоснимки за предыдущие годы [5].
Рис. 1. Моделирование развития яровой пшеницы сорта Алтайская-50 на тестовом поле.
Дата сева 29.05.1999 г.
I
s 0)
и га а
л S и
0
1
а га й о a 31
га
ю \ — =г ^ и
- I
к
га и к К S
III о ? с и
га а
Ё У
и (I)
о я
К Q,
>3 О
га si й
о и
О,— 31
и во влажные годы полевых наблюдений
[3].
■ 5 номера р-нов
-Y=4.4+0.6X
(R =0 7 SD=1 63)
Урожайность статистическая за 1 ЭЭБг. ц/га
■ 5 номера р-нов
-Y=1.7+0.8X
(R.85 SD-1.3)
Урожаиность статистическая за 19 9 В г ц/га
Рис. 2. Сравнение статистических и расчетных урожайностей по районам Алтайского края за 1998 г. без коррекции и с коррекцией по данным сканера МСУ-СК
Рис. 3. Биометрические параметры яровой пшеницы в вегетационный период, измеренные на разных тестовых площадках
Листовой индекс, измеренный инструментально прибором LAI-2000, хорошо коррелирует с вегетационным индексом. При построении уравнений связи между данными индексами коэффициент корреляции составил 0,98-0,99 для различных тестовых площадок как в засушливые, так
" -B-N " —•—N - -A-N DVI235 * , DVI236 DVI 237 / ......................
|- ^Ч'1'1'1'1ЧЧЧ'1'1'1ЧЧЧ 21 Jun 28 Jun 5 235 236 ■==! 237 Jul 12 Jii 19 JU 26 Jul 2 Aug
Рис. 4. Ход NDVI и LAI в течение вегетативного периода для разных тестовых площадок
Ранее было показано, что наибольшая корреляция индекса NDVI, рассчитанного по космическим снимкам за разные даты в период с июня по август, с фактической урожайностью по данным отчетности, наблюдается в период достижения растениями максимума вегетационного индекса
[2, 3].
Из рисунков 3 и 4 следует, что для дистанционного определения биомассы и высоты пшеницы необходимо строить два разных регрессионных уравнения. Для первого уравнения необходимо брать даты от всходов и до достижения максимума NDVI, а второго — от точки перегиба до выхода параметров на плато, когда они уже перестают возрастать, т.е. пшеница достигла молочной спелости.
По данным полевых измерений 1999 г. для первого временного интервала (13.065.07) уравнения связи биомассы сухой и зеленой, а также высоты, с вегетационным индексом представлены в виде линейной зависимости:
Md = 860*NDVI - 127.4 (R = 0,99) Mw = 2980*NDVI - 45 (R = 0,98) H = 107*NDVI - 4.4 (R = 0,98); для второго интервала (5/07-2/08): Md = - 5470*NDVI + 2080 (R = 0,91) Mw = - 5670*NDVI + 2574 (R = 0,87)
H = - 739*NDVI + 287 (R = 0,9). По данным уравнениям можно оценить биометрические параметры пшеницы, если дистанционно измерен вегетационный индекс полевым спектрофотометром. В ходе подспутниковых экспериментов также установлено, что измерения полевым спектрофотометром возможно проводить и при наличии сплошной облачности, что
особенно актуально во влажные годы, когда использование космоснимков крайне ограничено [3].
Заключение
Применение модели продуктивности растений EPIC в сочетании с космическими снимками позволяет достоверно оценивать урожайность основных зерновых культур на региональном уровне [7]. Подспутниковые эксперименты показали, что использование дистанционных измерений спектрофотометром или спектро-зональных космоснимков позволяет повысить точность моделирования биометрических показателей растений и дает возможность провести интерполирование значений этих показателей на территории, не охваченной наземными измерениями.
Тестирование модифицированной модели биопродуктивности с контрольными полевыми измерениями в 1998-2008 гг. в Алтайском крае, Тюменской и Новосибирской областях показало, что использование математических моделей развития растений совместно с данными ДЗЗ позволяет прогнозировать урожайность яровой пшеницы в разрезе каждого поля с точностью 1-2 ц/га [2, 4, 6, 7].
Разработанная авторами технология [7] и программное обеспечение внедрены в ЗапСИБРЦПОД и используются при проведении НИР по прогнозированию урожайности зерновых культур на территории Новосибирской области [6]. Применение данной методики перспективно для оценки урожайности и валовых сборов в интересах органов государственной власти, банковских структур, предоставляющих кредиты и страховых компаний, возмещающих ущерб сельхозпроизводителям в связи с потерями урожая в результате неблагоприятных погодных условий
[7].
Библиографический список
1. Priya S. Modeling Agroecosystem: Perspective from Spatial-EPIC / S. Priya, R. Shibasaki // Proceedings of IGARSS 1999 Symposium. Gamburg. Germany. — P. 832-834.
2. Евтюшкин А.В. Использование данных дистанционного зондирования для
распознавания зерновых культур и коррекции моделей биопродуктивности / А.В. Евтюшкин, В.Н. Юшаков, Н.В. Рыч-кова / / Известия Алтайского государственного университета. — 2002. — № 1. — C. 63-67.
3. Евтюшкин А.В. Подспутниковые измерения при мониторинге развития зерновых культур / А.В. Евтюшкин, Н.В. Рычкова // Материалы III научно-практической конференции «Обратные задачи и информационные технологии рационального природопользования» (25-27 апреля 2006 г., Ханты-Мансийск). — Екатеринбург: Средне-Уральское книжное изд-во, 2006. — С. 191-196.
4. Брыксин В.М. Использование модели биопродуктивности EPIC и космоснимков MODIS для прогнозирования урожайности зерновых культур / В.М. Брыксин, А.В. Евтюшкин / / Современные проблемы дистанционного зондирования Земли из космоса. — 2007. — Т. 4. — № 2. — С. 189-196.
5. Mironov V.L. Integrated experiment to soil moisture content in the Altai test area / V.L. Mironov, S.A. Komarov, A.V. Yev-tyushkin, N.V. Rychkova // Earth Observation and remote sensing. — 2000. — № 16 (2). — P. 301-312.
6. Пчельников Д.В. Построение системы прогнозирования урожайности зерновых культур для территории Новосибирской области на основе архитектуры объектно-ориентированных систем мониторинга / Д.В. Пчельников, Н.Н. Добрецов, Л.А. Сладких / / Горный информационно-аналитический бюллетень (научно-технический журнал). — 2009. — Т. 18. — № 12. — С. 234-238.
7. Пат. 2379879 Российская Федерация, МПК A01G 7/00. Способ прогнозирования урожайности зерновых культур на основе данных космического мониторинга и моделирования биопродуктивности / А.В. Евтюшкин, В.М. Брыксин, Н.В. Рыч-кова; заявитель и патентообладатель Учреждение ХМАО-Югры «Югорский НИИ информационных технологий», Департамент инвестиций, науки и технологий ХМАО-Югры (RU). — № 2007125088/12; заявл. 02.07.2007 г.; опубл. 27.01.2010 г., бюл. № 3.
+ + +
